基于迁移特征工程与机器学习融合策略的网络攻击识别方法研究

《Scientific Reports》：Novel K-neighbors and gradient boosting based transfer features for optimizing network attack detection

　　

摘要

网络攻击是指针对数字网络的未经授权的活动，旨在中断、破坏或非法获取计算机系统的访问权限。这些攻击从拒绝服务（DoS）中断到复杂的入侵尝试不等，对信息资源的完整性、机密性和可用性构成了重大威胁。网络攻击的后果是广泛的，导致巨额经济损失、敏感数据泄露、用户信任的丧失以及组织声誉的潜在损害。本研究旨在利用先进的机器学习方法结合迁移特征工程来识别网络攻击。我们在实验中使用CICDDOS2019基准数据库。在初始分析中，我们使用合成少数类过采样技术（SMOTE）对预处理数据集进行平衡。我们提出了一种创新的迁移特征生成方法，利用K近邻分类器（KNC）和梯度提升分类器（GBC）生成显著的类别概率融合特征。所提出的KNGB（KNC-GBC）模型提取迁移特征，随后将其输入机器学习模型以识别网络攻击。实验结果表明，使用KNGB特征，随机森林模型在网络攻击识别中达到了98%的高准确率。我们还使用K折交叉验证对所用机器学习模型的性能结果进行了验证，并通过超参数调优提升了性能。此外，我们确定了所用方法的计算复杂度，并进行统计t检验分析以验证结果的显著性。本研究旨在提供一个基于机器学习的健壮框架，能够适应网络威胁的动态特性，确保信息网络的安全与完整。